在變強噪音的情況下，語音識別的正確率會迅速下降；當噪聲較強并且強度不斷發生變化的時候，端點檢測是一個難題；提出了兩種方法保證噪聲較強而且強度不斷發生改變情況下的語音識別率：基于LPC距離的端點檢測算法和白適應的抗噪語音特征參數提取算法；經過實驗證明，采用了這兩種不同于傳統算法的新方法后，變強噪音情況下的語音識別率得到了明顯的改善。
安靜情況下性能良好的識別器，在噪聲情況下的性能往往不能盡如人意。很多學者研究了噪聲或者強噪聲情況下的語音識別性能改進” ，但是對強噪音情況下的端點檢測一直沒有很好的辦法，當噪音很強時，例如信噪比小于0dB時，端點檢測就變得比較困難。雖然也有一些學者提出了這種強噪音情況下的端點檢測方法，但是在實際的語音識別工作環境中，比如在交通道路旁、軋鋼廠、展覽會的展廳、坦克車中，噪音不僅是存在的，而且其強度也是不斷變化的，變化范圍在特定應用場合下會超過60dB，信噪比變化如此大，這就對端點檢測的魯棒性和精度提出了很高的要求，而國內外對這方面的研究還很少。
對于噪聲情況下的語音識別，一般采取了語音增強等途徑來消除噪聲，這樣做的后果一方面是在消除噪聲的情況下，一些對于語音識別有用的信號也被消除了H ；另一方面這樣還會給處理后的語音信號中帶來音樂噪聲，增加了處理的難度 。我們為了提高識別的性能，勢必又要解決這兩個難題，而這樣就大大增加了語音識別的復雜度，從工程上講不利于語音識別的市場化。
在語音識別中，有一半左右的錯誤率是由于端點檢測引起的。為了解決強噪音并且變噪音情況下的端點檢測性能，采用了過零率一短時能量和LPC距離相結合的新算法來保證嚴峻條件下端點檢測的魯棒性和檢測精度。為了避免語音增強方法的缺點，采用了自適應的抗噪語音參數提取算法，可以根據噪聲強度的不同，自動的選取特征參數。這兩種方法的綜合使用，顯著的改善了變強噪音情況下的語音識別性能。